經(jīng)濟觀(guān)察報 侯宏/文 產(chǎn)業(yè)觀(guān)察家們注意到生成式AI的革命性意義，并做出了豐富解讀。

英偉達創(chuàng )始人兼首席執行官黃仁勛稱(chēng)生成式AI的推出為“AI產(chǎn)業(yè)的i－Phone時(shí)刻”，意指其顛覆性的技術(shù)突破和產(chǎn)品形態(tài)或引發(fā)了Al產(chǎn)業(yè)的全面變革。

投資公司a16z的合伙人馬丁·卡薩多（MartinCasado）稱(chēng)其為“第三個(gè)計算時(shí)代”，意指繼微芯片將計算的邊際成本降到零、互聯(lián)網(wǎng)將分發(fā)的邊際成本降到零之后，大模型將創(chuàng )作內容的邊際成本降到零的第三次飛躍。

麥肯錫技術(shù)合伙人萊瑞拉·余（LareinaYee）則將其類(lèi)比為計算產(chǎn)業(yè)所經(jīng)歷過(guò)的大型機到個(gè)人電腦（PC）的劇變，意指生成式AI將技術(shù)使用權從精英轉向大眾，實(shí)現了AI技術(shù)的民主化。

但以上解讀局限于A(yíng)I產(chǎn)業(yè)自身，沒(méi)有考慮生成式AI如何重塑更廣泛的經(jīng)濟。在筆者看來(lái)，生成式AI和大模型有潛力成為整個(gè)國民經(jīng)濟智能基礎設施，進(jìn)而奠定所謂的大智能時(shí)代。

展望未來(lái)：時(shí)代躍遷

不同于專(zhuān)注于解釋現有數據的分析式AI或根據給定輸入推斷輸出的預測式AI，生成式AI專(zhuān)注于生成新內容，或稱(chēng)合成數據（syntheticdata）。ChatGPT（美國AI公司OpenAI旗下的對話(huà)大模型產(chǎn)品）僅是大模型的一種。準確地說(shuō)，它僅是文本大模型的一種。文本大模型之外，還有音頻大模型和視覺(jué)大模型。

不同于預設規則或試圖尋找結構化規則的傳統AI，生成式AI直接從海量未經(jīng)標簽化的非結構化數據中提取基礎模型（foundationmodel），由于基礎模型的參數巨大，常被稱(chēng)為大模型。大模型的訓練極其昂貴，但具備一系列傳統AI模型不具備的優(yōu)勢。一是其采取的非監督訓練的方式極大降低了人工標注的需要；二是模型具有更好的通用性，可靈活應付多種任務(wù)；三是大模型可以理解并使用人類(lèi)語(yǔ)言，交互體驗非常自然。

歸根到底，大模型是人類(lèi)全量知識的壓縮。傳統AI利用有限的知識（預設的算法）從豐富的場(chǎng)景數據中提取結果，而大模型利用近乎完備的知識去解讀場(chǎng)景數據（盡管它不一定豐富）。大數據時(shí)代和大智能時(shí)代，分別建立在這兩種不同的模式上。

與此同時(shí)，時(shí)代生產(chǎn)力的進(jìn)步還通常體現為某種新型基礎設施的建立。工業(yè)時(shí)代出現電力基礎設施，網(wǎng)絡(luò )化時(shí)代出現網(wǎng)絡(luò )基礎設施，而智能時(shí)代將出現何種基礎設施呢？在筆者看來(lái)，大模型具備成為智能基礎設施的潛力，因其具備基礎設施的三個(gè)基本特征。

一是通用性。傳統AI需要針對特定任務(wù)設計，表現出更多的專(zhuān)用性與垂直性。相比之下，經(jīng)過(guò)高強度預訓練的大模型具備靈活應對多種非預設任務(wù)的能力，可通過(guò)微調及提示詞工程實(shí)現應用情景的高擴展，進(jìn)而在通用性上大大提升。

二是規模經(jīng)濟。大模型的規模經(jīng)濟與兩個(gè)概念有關(guān)。一是智能涌現。只有模型參數規模超越臨界點(diǎn)之后，智能才開(kāi)始涌現。工業(yè)經(jīng)濟情景下，低于最小有效生產(chǎn)規模的廠(chǎng)商無(wú)法有效參與市場(chǎng)競爭。類(lèi)似地，廠(chǎng)商必須投入高昂的前期訓練成本，才能參與大模型市場(chǎng)競爭。二是智能摩爾定律。傳統摩爾定律預測硅片上的晶體管密度隨時(shí)間推移指數級增長(cháng)，而成本保持不變。智能摩爾定律則預測大模型智能所能覆蓋的場(chǎng)景數（智能密度）具有類(lèi)似的規律。這意味著(zhù)，隨著(zhù)大模型參數的增長(cháng)，其覆蓋智能場(chǎng)景的單位成本呈指數級降低。

三是外部性。修好的路上不跑車(chē)，價(jià)值等于零。盡管大模型語(yǔ)境下的“車(chē)”是什么尚未完全確定，但確定的是大模型的出現將促進(jìn)各類(lèi)“車(chē)型”的創(chuàng )新。因此，大模型對經(jīng)濟的推動(dòng)作用要遠遠大于生成式AI產(chǎn)業(yè)產(chǎn)值本身。聊天類(lèi)應用僅僅是大模型應用的初級形態(tài)，而創(chuàng )意和想象力與未知場(chǎng)景進(jìn)行結合所迸發(fā)出產(chǎn)業(yè)能量，才是大模型作為基礎設施最具想象空間之處。

通用性、規模經(jīng)濟和外部性是基礎設施所具備的一般性特征。大模型作為基礎設施的特殊性何在呢？筆者認為，這是人類(lèi)歷史上第一次實(shí)現智能的大規模集中供給，故而稱(chēng)其為智能基礎設施。

數字化時(shí)代難道不是已經(jīng)見(jiàn)證林林總總的智能化基礎設施（如智能手機、智能電網(wǎng)、智能交通等）了嗎？此處需澄清，智能的基礎設施化不同于基礎設施的智能化。智能手機的核心是手機，智能電網(wǎng)的核心是電網(wǎng)，智能交通的核心是交通，而賦予其各種智能內涵的過(guò)程是基礎設施的智能化。

不同的是，智能基礎設施的核心是相對通用的智能本身，能對接千行百業(yè)。過(guò)去幾十年，數字化基礎設施圍繞信息的采集、處理、傳輸、存儲、計算等環(huán)節得到了充分的發(fā)展，而智能基礎設施的發(fā)展才剛剛開(kāi)始。

大智能時(shí)代

每輪基礎設施的躍遷都會(huì )引發(fā)一輪新商業(yè)機遇的爆發(fā)。這是因為，基礎設施將此前需要分散承擔的可變成本轉化為集中承擔的固定成本，推動(dòng)新要素普及、降低創(chuàng )新門(mén)檻。

智能基礎設施帶來(lái)的新要素就是智能：大模型壓縮了人類(lèi)所有知識，當場(chǎng)景數據輸入大模型，大模型就能根據其知識反饋出相應結果。當這種智能產(chǎn)生模式廣泛應用，我們或將見(jiàn)證前所未有的大智能時(shí)代。

大智能時(shí)代區別于大數據時(shí)代的核心特征是數據與智能的解耦。谷歌常因所謂數據網(wǎng)絡(luò )效應的原因被反壟斷機構約談：搜索引擎的市場(chǎng)份額越大，用戶(hù)數據就越多，而數據訓練出來(lái)的機器算法就越來(lái)越智能，進(jìn)而進(jìn)一步提升其用戶(hù)體驗，導致更大的市場(chǎng)份額。曾鳴教授更是基于阿里巴巴的類(lèi)似經(jīng)驗，提煉出以“數據智能”為基石的“智能商業(yè)”方法論。這種思維強調企業(yè)構建的數據飛輪是智能商業(yè)的前提：無(wú)數據，不智能。

在大智能時(shí)代，這一圭臬盡管在產(chǎn)業(yè)層面仍然成立，但在企業(yè)層面的應用卻值得推敲：智能不再完全來(lái)自于企業(yè)自身構建的數據飛輪。數據作為智能原料的地位無(wú)可撼動(dòng)。然而，大模型使用這種原料上的效率遠超此前分散部署的“小模型”，以至于有志于“智能商業(yè)”的企業(yè)構建自身數據飛輪喪失經(jīng)濟性。國家電網(wǎng)能穩定輸出電力時(shí)，為何要在工廠(chǎng)旁邊自建小發(fā)電廠(chǎng)？

智能基礎設施化的后果之一是數據與智能的解耦。數據與智能的解耦并不意味著(zhù)數據不重要，而是意味著(zhù)小數據也可以撬動(dòng)大智能。當前，大模型的進(jìn)一步發(fā)展面臨高質(zhì)量數據源不足的障礙，可見(jiàn)數據的重要性。

但這不意味著(zhù)任何企業(yè)都需要花心思囤積數據。過(guò)去，企業(yè)要精心構建并維護一個(gè)數據供應鏈，才有可能實(shí)現所謂的數據智能。而今，大模型使得智能不需要在低水平重復開(kāi)發(fā)。企業(yè)只需要用小數據去微調這個(gè)模型，便有可能開(kāi)展“智能商業(yè)”。由此，企業(yè)可節省精力、聚焦業(yè)務(wù)創(chuàng )新，釋放出所謂智能紅利。

產(chǎn)業(yè)生態(tài)

立足當下，本部分從三個(gè)視角來(lái)把握高度動(dòng)態(tài)復雜的生成式AI產(chǎn)業(yè)生態(tài)。一是供給側視角的技術(shù)生態(tài)，有助于理解生成式AI技術(shù)實(shí)現所需的生產(chǎn)要素；二是需求側視角的應用生態(tài)，有助于了解生成式AI的應用方向；三是中美競爭背景下的區域生態(tài)，有助于理解需求側和供給側在不同條件下的互動(dòng)模式。

1、生成式AI技術(shù)生態(tài)

大模型技術(shù)生態(tài)符合典型的IT垂直分工架構。最底層是基礎設施，負責提供大模型訓練以及推理所需的算力。產(chǎn)業(yè)初期，算力主要用于模型預訓練。隨著(zhù)各大模型紛紛商用，用于響應用戶(hù)請求所需的推理算力占比快速增加。

眾所周知，大模型的算力需求主要由GPU（圖像處理單元）來(lái)滿(mǎn)足。但NPU（神經(jīng)網(wǎng)絡(luò )處理器）和TPU（張量處理器）等專(zhuān)為大模型推理運算設計的芯片也逐步成熟。NPU主要用于手機、無(wú)人機等終端產(chǎn)品的計算單元，而TPU是谷歌設計的云計算芯片。值得注意的是，硬件集群僅僅只是基礎設施的一部分，其上負責硬件資源調度的云平臺也非常重要。

基礎設施之上是大模型。大模型有開(kāi)源和閉源之分。OpenAI的GPT是一個(gè)閉源模型，而2023年7月，Meta（臉書(shū)母公司）的Llama2（一款大模型）宣布支持開(kāi)源和商用，引爆了大模型領(lǐng)域的開(kāi)源運動(dòng)。選擇開(kāi)源模型還是閉源模型，似乎和應用有關(guān)。ChatGPT、Mid－journey（美國AI公司Midjourney旗下的文生圖模型產(chǎn)品）等廣受歡迎的ToC（面向消費者）應用都構建在私有大模型之上。但ToB（面向企業(yè)）領(lǐng)域的應用通常構建在開(kāi)源大模型之上，因為開(kāi)源大模型支持私有化部署，并在微調方面提供了更大的靈活度。

值得指出的是，大模型層與應用層之間存在一個(gè)中間層，旨在幫助應用開(kāi)發(fā)者解決兩方面問(wèn)題。一方面，基于大模型做二次開(kāi)發(fā)（微調、提示詞工程或基于人工反饋的增強學(xué)習）需要一系列工具或模板；另一方面，由于市面上存在多種大模型，應用開(kāi)發(fā)者可能希望一站式接入和管理。所謂模型即服務(wù)（MaaS）集成了這些工具和功能。

2、大模型應用生態(tài)

技術(shù)生態(tài)主要是巨頭和工程師的場(chǎng)域，而應用生態(tài)則是創(chuàng )業(yè)者和產(chǎn)品經(jīng)理的沃土。在技術(shù)生態(tài)部分，應用層在技術(shù)堆棧中的位置得到了強調。本部分談及的應用生態(tài)則從需求側視角展開(kāi)，根本上是要回答：大模型如何對接應用場(chǎng)景、創(chuàng )造用戶(hù)價(jià)值？這個(gè)問(wèn)題可以沿著(zhù)兩個(gè)維度思考：客戶(hù)屬性和產(chǎn)品策略。

一方面，ToC和ToB的大模型應用在價(jià)值創(chuàng )造方面具有顯著(zhù)差異。首先，消費類(lèi)應用的價(jià)值創(chuàng )造幾乎都在應用內完成，而企業(yè)級應用需要與企業(yè)內部?jì)r(jià)值鏈和IT系統整合。其次，消費類(lèi)應用幾乎都基于公有云，而企業(yè)客戶(hù)因隱私顧慮偏好私有云或混合云部署。最后，消費類(lèi)應用通常以一對多的方式提供服務(wù)進(jìn)而迅速規模化，而企業(yè)級應用服務(wù)通常需要一對一定制。

以上ToC和ToB客戶(hù)市場(chǎng)的一般性差異，并不因大模型技術(shù)的開(kāi)創(chuàng )性而改變。可見(jiàn)，ToC應用的價(jià)值創(chuàng )造具備獨立性，而ToB應用的價(jià)值創(chuàng )造高度依賴(lài)其他互補性資源。進(jìn)而，ToC應用有望構建出一個(gè)以自身為中心的生態(tài)，而ToB應用通常嵌入在在位玩家（包括客戶(hù)）的生態(tài)中。

另一方面，無(wú)論是ToB還是ToC，大模型應用可考慮增強、替代或整合三種策略。

增強策略為現有產(chǎn)品或服務(wù)加入大模型性能，進(jìn)一步提升產(chǎn)品體驗。比如，Office產(chǎn)品中嵌入了基于大模型輔助工具（Copilot）或者視頻游戲中引入大模型生成個(gè)性化劇情。

替代策略則把大模型應用作為生產(chǎn)力工具替代原有的低效流程。比如，在客服行業(yè)，替代正在大規模發(fā)生，而一部分營(yíng)銷(xiāo)設計工作也有望在大模型的支撐下實(shí)現自動(dòng)化。

相較于增強現有產(chǎn)品和替代低效流程，整合策略則跳出現有產(chǎn)品或流程，重新定義客戶(hù)體驗。筆者避免使用顛覆一詞，因為這種重新定義很大程度上是通過(guò)重組現有要素發(fā)生的。大模型并不創(chuàng )造要素，但提供了高超的整合能力（如通過(guò)智能體，即Agent）。

3、生成式AI的區域生態(tài)

產(chǎn)業(yè)不可避免地嵌入在區域中。縱觀(guān)全球，生成式AI的產(chǎn)業(yè)競爭主要是在中美之間開(kāi)展。對于中美AI產(chǎn)業(yè)的一般性對比分析不是本文的重點(diǎn)。接下來(lái)，主要分析兩國區域條件的差異如何影響技術(shù)生態(tài)、應用生態(tài)以及兩者之間的良性反饋。

靜態(tài)對比，中美兩國在技術(shù)生態(tài)方面的差距并不致命。誠然，美國在聚集、培育生成式AI技術(shù)人才方面具有顯著(zhù)優(yōu)勢。并且，GPU出口管制在很大程度上也增加了中國企業(yè)的成本。

但同時(shí)我們要看到三方面的有利因素。第一，得益于開(kāi)源運動(dòng)的知識溢出效應，中美技術(shù)差距并沒(méi)有大到足以阻礙中國的產(chǎn)業(yè)進(jìn)步；第二，中國企業(yè)對開(kāi)源的貢獻也在日益壯大，中國也吸引了一些頂級科學(xué)家回國創(chuàng )業(yè)；第三，盲目的科技軍備競賽并不可取，大模型產(chǎn)業(yè)競爭的焦點(diǎn)已轉向工程化和商業(yè)化。

反倒是中美應用生態(tài)的差距令人擔憂(yōu)。高科技產(chǎn)業(yè)的發(fā)展，短期內可以靠資本維系，長(cháng)期來(lái)看要靠市場(chǎng)支付發(fā)展所需的成本，包括消費者側和企業(yè)側的支付。然而，中國消費者的付費能力遠不如美國消費者。中國移動(dòng)通信用戶(hù)的月均支出約為50元，而美國約為50美元，但中國企業(yè)購買(mǎi)GPU的成本要高于美國企業(yè)。

在ToB市場(chǎng)，支付能力且不談，最大的問(wèn)題是中國企業(yè)數字化水平低，尤其體現在SaaS（軟件即服務(wù)）的滲透率上。大模型應用更容易部署到SaaS化程度較高的企業(yè)，因其底層數據治理較規范、流程標準化程度較高。反之，SaaS化程度不高的企業(yè)需要花費大量時(shí)間和精力去做前期準備，耗散掉精力、耐心和資源，這會(huì )導致大部分企業(yè)淺嘗輒止或望而卻步。

值得強調的是，中國在移動(dòng)互聯(lián)網(wǎng)時(shí)代的場(chǎng)景優(yōu)勢，在生成式AI產(chǎn)業(yè)不成立。場(chǎng)景優(yōu)勢建立在迭代之上，而迭代的前提是發(fā)展用戶(hù)。縱觀(guān)所有國內大模型企業(yè)，沒(méi)有一家像推廣移動(dòng)互聯(lián)網(wǎng)APP那樣去不遺余力地發(fā)展用戶(hù)。關(guān)鍵原因在于，移動(dòng)互聯(lián)網(wǎng)APP服務(wù)一個(gè)新用戶(hù)的邊際成本幾乎為零，而大模型應用發(fā)展一個(gè)用戶(hù)的邊際成本恒不為零。在商業(yè)模式清晰之前，地主家也沒(méi)這么多余糧。

如果說(shuō)中國移動(dòng)互聯(lián)網(wǎng)的成功經(jīng)驗之一在于前端場(chǎng)景優(yōu)勢與后端技術(shù)進(jìn)步的正反饋，筆者擔心中國生成式AI產(chǎn)業(yè)正在經(jīng)歷一個(gè)截然相反的過(guò)程。從這個(gè)動(dòng)態(tài)視角再去看待中美之間技術(shù)生態(tài)的差距，恐怕會(huì )得到與靜態(tài)對比不同的結論。

幾點(diǎn)思考與建議

據說(shuō)，人們容易高估一件事的短期影響但低估其長(cháng)期潛力。事關(guān)生成式AI產(chǎn)業(yè)，本文恰好提供了一劑對癥解藥：筆者長(cháng)期看好其作為智能基礎設施的前途，但短期內對其結構性障礙持悲觀(guān)態(tài)度。

本文沒(méi)有論述中美生成式AI產(chǎn)業(yè)發(fā)展面臨的共性挑戰，而聚焦中國相對于美國的比較劣勢。那么，中國有沒(méi)有比較優(yōu)勢呢？筆者相信，發(fā)揮以下三方面的比較優(yōu)勢或有助于彌補劣勢：移動(dòng)互聯(lián)網(wǎng)生態(tài)、產(chǎn)業(yè)協(xié)同治理和商業(yè)模式創(chuàng )新。

一是打通移動(dòng)互聯(lián)網(wǎng)生態(tài)與生成式AI產(chǎn)業(yè)生態(tài)。我國移動(dòng)互聯(lián)網(wǎng)產(chǎn)業(yè)在網(wǎng)絡(luò )、終端與應用環(huán)節具備端到端的競爭優(yōu)勢，有望加持孱弱的ToC生成式AI應用生態(tài)。比如，微信生態(tài)如何引入生成式AI、國產(chǎn)手機操作系統如何與生成式AI融合、云網(wǎng)一體如何助力AI算力網(wǎng)絡(luò )效率提升等議題都應沿著(zhù)如何利用業(yè)已建立的比較優(yōu)勢去哺育生成式AI產(chǎn)業(yè)。

二是推動(dòng)智能產(chǎn)業(yè)群協(xié)同發(fā)展。智能基礎設施的建設端需要整合算法、算力和數據等要素，是數字基礎設施和數字資源體系的有機融合和升級。支持數字基礎設施運營(yíng)企業(yè)向智能基礎設施運營(yíng)企業(yè)升級，實(shí)施算力、數據、算法的一體化運營(yíng)。在需求側，通過(guò)降低各行業(yè)使用生成式AI的成本，拉動(dòng)應用、工程、運營(yíng)等配套服務(wù)的發(fā)展。

三是堅定鼓勵商業(yè)模式創(chuàng )新。生成式AI產(chǎn)業(yè)面臨的問(wèn)題歸根到底是價(jià)值創(chuàng )造和價(jià)值分配的問(wèn)題，即商業(yè)模式。無(wú)論打通移動(dòng)互聯(lián)網(wǎng)生態(tài)還是推動(dòng)產(chǎn)業(yè)協(xié)同發(fā)展，都旨在為生成式AI生態(tài)的發(fā)展創(chuàng )造一個(gè)更廣闊的環(huán)境和更堅實(shí)的基礎。這些比較優(yōu)勢是否能夠精準轉化為可彌補比較劣勢的方面，商業(yè)模式設計起決定性作用。

（作者系北京大學(xué)國家發(fā)展研究院助理教授）